小白福利，python爬虫系列之xpath：html解析神器

一、说到信息筛选我们立马就会想到正则表达式，不过今天我们不讲正则表达式。因为对于爬虫来讲，正则表达式太复杂对新手十分不友好，而且正则表达式的容错率差，网页有稍微的改动就得重新写匹配表达式，另外正则表达式可读性几乎没有。

当然，这并不是说正则不好，只是正则不适合爬虫和新手。其实正则是十分强大的，在后面的数据清洗里我们会用到正则。

既然正则不能用，那该用什么呢？别担心，python为我们提供了很多解析 html页面的库，其中常用的有：

bs4中的 BeautifulSoup

lxml中的 etree（一个 xpath解析库）

BeautifulSoup类似 jQuery的选择器，通过 id、css选择器和标签来查找元素，xpath主要通过 html节点的嵌套关系来查找元素，和文件的路径有点像，比如：

#获取 id为 tab的 table标签下所有 tr标签
path = '//table[@id="tab"]//tr'
#和文件路径对比
path = 'D:Githubhexosource\_posts'

BeautifulSoup和 xpath没有好坏优劣之分，讲 xpath是因为个人觉得 xpath更好用一些，后面如果时间允许的话再讲 BeautifulSoup。

现在，让我们先从 xpath开始！

二、xpath的安装和使用

安装 lxml库

pip install lxml

简单的使用

在使用 xpath之前，先导入 etree类，对原始的 html页面进行处理获得一个_Element对象

我们可以通过_Element对象来使用 xpath

#导入 etree类
from lxml import etree
#作为示例的 html文本
html = '''<div class="container">
                <div class="row">
                    <div class="col">
                        <div class="card">
                            <div class="card-content">
                                <a href="#123333" class="box">
                                    点击我
                                </a>
                            </div>
                        </div>
                    </div>
                </div>
            </div>'''

#对 html文本进行处理 获得一个_Element对象
dom = etree.HTML(html)

#获取 a标签下的文本
a_text = dom.xpath('//div/div/div/div/div/a/text()')

print(a_text)

打印结果

熟悉 html的朋友都知道在 html中所有的标签都是节点。一个 html文档是一个文档节点，一个文档节点包含一个节点树，也叫做 dom树。

节点树中的节点彼此拥有层级关系。

父（parent）、子（child）和同胞（sibling）等术语用于描述这些关系。父节点拥有子节点。同级的子节点被称为同胞（兄弟或姐妹）。

在节点树中，顶端节点被称为根（root）

每个节点都有父节点、除了根（它没有父节点）

一个节点可拥有任意数量的子

同胞是拥有相同父节点的节点

另外，我们把距离某个节点最近的子节点叫做它的直接子节点，如下图所示的 body和 head就是 html的直接子节点。

了解了 html结构之后我们再来看 xpath的使用。

首先，我们通过 etree.HTML( )来生成一个_Element对象，etree.HTML() 会将传入的文本处理成一个 html文档节点。这样就能保证我们总是能获得一个包含文档节点的_Element对象。

xpath语法

a / b ：‘/’在 xpath里表示层级关系，左边的 a是父节点，右边的 b是子节点，这里的 b是 a的直接子节点

a // b：两个 / 表示选择所有 a节点下的 b节点（可以是直接子节点，也可以不是），在上面的例子中我们要选择 a标签是这样写的

a_text = dom.xpath('//div/div/div/div/div/a/text()')
#用 //
a_text = dom.xpath('//div//a/text()')
#如果 div标签下有两个 a标签，那么这两个 a标签都会被选择（注意两个 a标签并不一定是兄弟节点）
#比如下面的例子中的两个 a标签都会被选择 因为这两个 a标签都是 div的子节点
       '''<div class="container">
                <div class="row">
                    <div class="col">
                        <div class="card">
                           <a href="#123332" class="box">
                                    点击我
                            </a>
                            <div class="card-content">
                                <a href="#123333" class="box">
                                    点击我
                                </a>
                            </div>
                        </div>
                    </div>
                </div>
            </div>'''

[@]：选择具有某个属性的节点

//div[@classs], //a[@x]：选择具有 class属性的 div节点、选择具有 x属性的 a节点

//div[@class="container"]：选择具有 class属性的值为 container的 div节点

//a[contains(text(), "点")]：选择文本内容里含有 “点” 的 a标签，比如上面例子中的两个 a标签

//a[contains(@id, "abc")]：选择 id属性里有 abc的 a标签，如

//a[contains(@y, "x")]：选择有 y属性且 y属性包含 x值的 a标签

#这两条 xpath规则都可以选取到例子中的两个 a标签
path = '//a[contains(@href, "#123")]'
path = '//a[contains(@href, "#1233")]'

总结

使用 xpath之前必须先对 html文档进行处理

html dom树中所有的对象都是节点，包括文本，所以 text()其实就是获取某个标签下的文本节点

通过_Element对象的 xpath方法来使用 xpath

注意！！！_Element.xpath( path) 总是返回一个列表

来源：PY学习网：原文地址：https://www.py.cn/article.html